| Autore/i | PIERELLI, LUDOVICA |
| Relatore | CERVERI, PIETRO |
| Correlatore/i |
GONELLA, SILVIA PUGLIESE, GIACOMO |
| Scuola / Dip. | ING - Scuola di Ingegneria Industriale e dell'Informazione |
| Data | 28-apr-2021 |
| Anno accademico | 2019/2020 |
| Titolo della tesi | Deep learning for pancreas and pancreatic tumor segmentation : evaluation methods and development |
| Abstract in italiano | La segmentazione automatica del pancreas ricopre un ruolo centrale nella pianificazione dell’intervento chirurgico, a causa dell’alto rischio di complicazioni associate e della prognosi tipicamente sfavorevole. Tuttavia, la stretta vicinanza con le strutture limitrofe e l’elevata variabilità anatomica lo rendono molto complesso da localizzare e segmentare nell’imaging tomografico. Negli ultimi anni, le tecniche di Deep Learning hanno mostrato grandi potenzialità nell’affrontare il problema, sebbene i modelli proposti non siano ancora sufficienti a offrire massima accuratezza nella ricostruzione dell’organo e della massa tumorale. Inoltre, sono pochi gli studi che affrontano il tema dal punto di vista dei metodi di valutazione e dei requisiti dimensionali per il dataset di training. Il primo obiettivo di questa tesi è offrire delle linee-guida su questi due aspetti, destinate a clinici e operatori che necessitano di strumenti automatici per la pianificazione della chirurgia pancreatica. A tale scopo, è stata condotta un’analisi esplorativa su indici convenzionali e innovativi. Il loro comportamento è stato osservato su undici modelli di reti neurali deep, precedentemente allenati con un numero crescente di TAC del pancreas. Successivamente, il lavoro si è focalizzato sull’identificazione della lesione. È stata sviluppata e testata una rete neurale convoluzionale multiclasse per segmentare simultaneamente il pancreas e il tumore. Dallo studio è emerso che le metriche di Dice, recall e precision sono efficaci nell’evidenziare gli errori più comuni introdotti dalla rete, ovvero gli errori di sotto e sovra-segmentazione. Inoltre, l’analisi sulle diverse dimensioni del dataset ha mostrato che un numero di 400-500 TAC è adeguato a raggiungere buone prestazioni. Infine, i risultati ottenuti dalla rete multiclasse hanno evidenziato la complessità dell’identificazione del tumore e i limiti delle tecniche in uso. Nel complesso, le conoscenze e i risultati ottenuti da tale progetto incoraggiano sviluppi futuri per una migliore ricostruzione del tumore pancreatico e conseguente pianificazione chirurgica. |
| Abstract in inglese | Automatic pancreas segmentation plays a key role in the surgical planning, due to the high risk of complications and poor prognostic outcomes of pancreatic resection. However, the close proximity to adjacent organs and the high anatomical variability make it hard to locate and segment the pancreas in CT imaging. In recent years, Deep Learning techniques showed high potential in addressing the task. Yet, the proposed models are still not sufficient to grant maximum accuracy in the reconstruction of both pancreas and pancreatic tumor. Moreover, there are few studies that approach the subject from other perspectives, namely the evaluation methods and the training dataset size requirements. The first aim of this project is to propose guidelines on these two aspects: they are intended for clinicians and users who need automated systems for planning pancreas resection. For this purpose, we conducted an exploratory analysis on both conventional and innovative indexes. Their sensitivity was observed on eleven models of Deep Neural Networks, which were previously trained with an increasing number of pancreas CTs. Afterwards, we focused on the identification of the lesion. A multi-class Convolutional Neural Network for simultaneously segment the pancreas and tumor was developed and tested. Our study revealed that metrics as the Dice coefficient, recall and precision are efficient in underlining the most common types of segmentation errors, namely over and under-segmentation. Besides, the analysis on the different dataset dimensions showed that 400-500 training CTs are sufficient to achieve good performances. Finally, the results obtained from the multi-class network highlighted the complexity of the tumor detection and the limits of in-use techniques. Overall, the knowledge and the results obtained from the project encourage for future developments, aimed at providing a more successful reconstruction of tumor and surgical planning. |
| Appare nelle tipologie: | Tesi di laurea Magistrale |
File allegati
| File | Dimensione | Formato | |
|---|---|---|---|
|
2021_04_Pierelli.pdf
accessibile in internet solo dagli utenti autorizzati |
18.61 MB | Adobe PDF | Visualizza/Apri |
I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento:
http://hdl.handle.net/10589/173998
